典型文献
基于深度学习的核桃外壳缺陷检测
文献摘要：
实现了对核桃外壳缺陷的快速识别,提高基于机器视觉的核桃分选效率,提出了一种基于改进的YOLOv5s核桃外壳缺陷检测方法.YOLOv5s网络中大量采用卷积核为3的卷积进行特征提取,为降低网络的计算量,提出利用深度可分离卷积代替残差网络中所采用的卷积核为3的卷积,提高对核桃外壳检测的速度.此外,为了保证精度能够满足要求,采用了改进的均值聚类对检测框进行初始化,提高生成检测框的质量,进而提高核桃外壳缺陷检测精度.由于聚类方法相对整个网络结构计算量较小,因此对核桃外壳检测的速度影响较小.通过实验对比分析,改进后的YOLOv5s能够快速识别出核桃外壳缺陷,而且识别精度基本保持不变.
文献关键词：
深度学习;机器视觉;深度可分离卷积;核桃外壳缺陷检测
中图分类号：
作者姓名：
余思黔;赵麒荣;林嘉晨;贾雁飞;陈广大
作者机构：
北华大学 电气与信息工程学院,吉林 吉林132013
文献出处：
引用格式：
[1]余思黔;赵麒荣;林嘉晨;贾雁飞;陈广大-.基于深度学习的核桃外壳缺陷检测)[J].吉林化工学院学报,2022(09):80-85
A类：
核桃外壳缺陷检测
B类：
快速识别,机器视觉,分选效率,YOLOv5s,缺陷检测方法,卷积核,计算量,深度可分离卷积,残差网络,满足要求,均值聚类,初始化,高核,检测精度,聚类方法,结构计算,实验对比,识别精度
AB值：
0.227395
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
